Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by BroytMann. Copyright (C) 1997-2008 PhiloSoft Design
   6 """
   7
   8 import codecs
   9
  10 universal_charset = "utf-8"
  11 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  12
  13 parsers = []
  14 try:
  15    import parse_html_beautifulsoup
  16    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  17 except ImportError:
  18    pass
  19 else:
  20    parsers.append(parse_html_beautifulsoup.parse_html)
  21
  22 from parse_html_htmlparser import parse_html
  23 parsers.append(parse_html)
  24
  25
  26 import re
  27 from htmlentitydefs import entitydefs
  28
  29 entity_re = re.compile("(&\w+;)")
  30 num_entity_re = re.compile("(&#[0-9]+;)")
  31
  32 def recode_entities(title, charset):
  33    output = []
  34    for part in entity_re.split(title):
  35       if part not in ("&amp;", "&lt;", "&gt;", "&quote;", "&nbsp;") and \
  36             entity_re.match(part):
  37          part = entitydefs.get(part[1:-1], part)
  38       output.append(part)
  39
  40    output2 = []
  41    for part in num_entity_re.split(''.join(output)):
  42       if num_entity_re.match(part):
  43          try:
  44             part = unichr(int(part[2:-1])).encode(charset)
  45          except UnicodeEncodeError:
  46             pass # Leave the entity as is
  47       output2.append(part)
  48
  49    return ''.join(output2)
  50
  51
  52 def parse_html(filename, charset=None, log=None):
  53    if charset:
  54       try:
  55          codecs.lookup(charset) # In case of unknown charset...
  56       except (ValueError, LookupError):
  57          charset = None         # ...try charset from HTML
  58
  59    for p in parsers:
  60       charsets = [universal_charset, DEFAULT_CHARSET]
  61       if charset not in charsets:
  62          charsets.insert(0, charset)
  63       parser = None
  64       for c in charsets:
  65          try:
  66             parser = p(filename, c)
  67             break
  68          except UnicodeEncodeError:
  69             pass
  70       if parser:
  71          break
  72       else:
  73          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  74
  75    converted_title = title = parser.title
  76    if not parser.charset:
  77       try:
  78          unicode(title, "ascii")
  79       except UnicodeDecodeError:
  80          parser.charset = DEFAULT_CHARSET
  81
  82    if parser.charset:
  83       parser.charset = parser.charset.replace("windows-", "cp").lower()
  84
  85    if parser.charset and (parser.charset <> universal_charset):
  86       try:
  87          if parser.meta_charset:
  88             if log: log("   META charset   : %s" % parser.charset)
  89          else:
  90             if log: log("   guessed charset: %s" % parser.charset)
  91          if log: log("   current charset: %s" % universal_charset)
  92          if log: log("   title          : %s" % title)
  93          try:
  94             converted_title = unicode(title, parser.charset).encode(universal_charset)
  95          except UnicodeError:
  96             if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
  97             converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
  98             parser.charset = DEFAULT_CHARSET
  99          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 100       except LookupError:
 101          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, universal_charset))
 102    else:
 103       if log: log("   title          : %s" % title)
 104
 105    final_title = recode_entities(converted_title, universal_charset)
 106    parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 107    final_title = ' '.join([s for s in parts if s])
 108    if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 109    parser.title = final_title
 110    return parser
 111
 112
 113 if __name__ == '__main__':
 114    import sys
 115    from m_lib.defenc import default_encoding
 116    current_charset = default_encoding.replace("windows-", "cp")
 117
 118    parser = parse_html(sys.argv[1], universal_charset,
 119       log=lambda s: sys.stdout.write(s + '\n'))
 120    print "   refresh:", parser.refresh
 121    print "   icon   :", parser.icon